- 博客(4)
- 收藏
- 关注
RSS订阅原创 Transformer入门概念解读
摘要：本文系统解析了Transformer架构的核心组件及数据处理流程。架构指通用设计框架（如编码器-解码器结构），模型则是具体实现（如BERT、GPT）。Transformer处理流程包括：1）Tokenization（BPE/WordPiece分词）；2）Embedding（语义向量+位置向量）；3）Encoder（双向自注意力）与Decoder（掩码自注意力）机制，通过QKV矩阵计算注意力权重；4）前馈神经网络进行非线性变换；5）多头注意力提取多维特征。最后对比了Encoder-only（分析任务）和
2025-07-22 19:08:35
1340
原创 机器学习中损失函数、评价指标解读
摘要：本文系统梳理了机器学习中损失函数与评价指标的区别与应用。损失函数用于训练优化（如回归中的MAE/MSE，分类中的交叉熵），评价指标则评估模型性能（分类常用Accuracy/Precision/Recall，回归常用MAE/RMSE/R2）。重点解析了混淆矩阵相关指标（TPR/FPR等）的计算逻辑，并通过雷达信号案例说明Accuracy/Precision/Recall的区别。同时对比了回归任务五大指标特性，指出MSE对异常值敏感、MAPE适合跨量级比较等特点。最后强调ROC曲线与PR曲线在不同数据分布
2025-07-21 19:22:10
1822
原创 强化学习在智慧农业领域应用实例（结合论文）
强化学习（Reinforcement Learning, RL）是一种通过智能体与环境交互，学习最优决策策略的机器学习方法，旨在通过试错学习最大化累积奖励。论文案例中，强化学习应用于奶牛舍环境调控，通过状态（温度、湿度、风速、CO₂浓度）、动作（风机开启时长）和奖励（基于环境参数与期望值的偏差）的交互，利用深度Q网络（DQN）和改进的DQN（M-DQN）生成通风决策，实现动态平衡。强化学习适用于序列决策问题且环境反馈明确的场景，如农业环境调控、工业控制和资源管理。应用步骤包括定义问题与建模、选择算法与改进、
2025-05-21 15:11:39
1634
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人